向量数据库

向量数据库是一种专门用来存储嵌入向量、并能快速检索出语义上最相似向量的数据库。如今，它已成为 RAG 流水线、语义搜索、推荐系统以及 AI 智能体长期记忆的核心基础设施。

为什么重要

传统 SQL 数据库针对精确的关键词匹配做了优化，但 LLM 时代的搜索建立在语义相似度之上。在数百万个向量（每个 1000 多个维度）中，于几毫秒内找出 top-k 个最近邻，用通用数据库基本是不可能完成的。向量数据库通过近似最近邻（ANN）算法解决了这个问题，从而实现为 LLM 响应提供依据的实时检索。

工作原理

1. 生成嵌入：OpenAI、Cohere 等模型把文本或图像转换成向量。
2. 建立索引：HNSW、IVF 或 PQ 等 ANN 算法对向量进行结构化组织，以实现快速检索。
3. 查询嵌入：用同一个模型把用户查询向量化。
4. 相似度搜索：通过余弦相似度、内积或欧氏距离返回 top-k 个向量。
5. 关联元数据：把附加在每个向量上的原始文本和元数据返回，并注入 LLM 的上下文。

主流方案

专用向量数据库：

• Pinecone：托管服务，API 简单，上手快
• Weaviate：开源，混合（向量 + 关键词）搜索能力强
• Qdrant：基于 Rust，性能高，资源占用低
• Milvus：可大规模分布式向量搜索

为现有数据库提供的向量扩展：

• pgvector：PostgreSQL 扩展，把向量与 SQL 数据放在一起
• Elasticsearch：将关键词搜索与向量搜索结合
• Redis：内存级向量搜索

常见模式：先用 pgvector 起步，等流量和规模需要时再迁移到专用数据库。

选型标准

数据规模：在 100 万个向量以下，pgvector 就够用。超过 1 亿个向量时，专用数据库不可或缺。

混合搜索：如果你需要把向量 + 关键词 + 过滤一起使用，Weaviate 或 Elasticsearch 表现突出。

延迟：面向用户的应用通常以 p99 ≤ 100ms 为目标。在这一区间内，HNSW 索引最为可靠。

运维负担：Pinecone 等托管服务成本更高，但几乎免除了所有基础设施工作。开源方案（Qdrant、Milvus）则正好相反。

元数据过滤：如果经常需要按类别、日期或用户 ID 进行预过滤，就选择一种能高效地把它与向量搜索结合起来的方案。

对 GEO 的影响

博客运营者很少会自建向量数据库，但把内容写得能在 LLM 和 AI 搜索的向量数据库中恰当地落地，仍然很重要。清晰的标题、自成一体的段落，以及具体的数字和来源，都能提升嵌入质量，这意味着当向量数据库选择引用什么内容时，你能获得更高的相似度分数。

Sources:

• 什么是向量数据库？ - Pinecone
• 向量数据库详解 - Weaviate
• pgvector：面向 PostgreSQL 的向量相似度 - GitHub